摘要：本申请公开了一种基于Sarsa机器学习算法的车载命名数据网络路由方法，属于机器学习领域。方法包括：在道路选择中，通过使用模糊逻辑方法和深度优先搜索算法对全局道路信息进行获取并加以利用得到最优全局路由路径。在车辆节点选择时，车辆保持固定大小的Q值表，该Q值表具有奖励功能并作为转发路由的依据，通过查找过滤后的Q值表来请求最佳节点引导全局路由路径，将信息发送至目标节点。由此，提高了信息传输过程中的数据包命中率、降低了端到端延迟、减小了网络路由开销。

摘要：本发明公开了一种基于熵权法的多线程的虚拟网络映射和性能调节方法，属于网络映射领域，包括：为多个级别的虚拟网络请求设置差异化服务质量放宽系数，将QoS指标考虑进虚拟网络请求中，为不同QoS需求的VNR提供不同层级的服务质量保证，从而实现在保证请求成功率的基础上保证VNR的服务质量。将多个级别的虚拟网络请求输入训练好的节点映射策略评估网络进行节点和链路映射，得到多个级别的虚拟网络请求的初步映射结果，通过熵权法对初步映射结果进行分析，实现动态调节服务接受率，资源利用率和QoS损失率之间平衡。采用的多线程的异步优势演员评论家算法对网络进行训练，并使用模型完成映射，在优化节点映射的同时优化了链路映射。

摘要：本发明公开了一种基于最大熵与多智能体的虚拟网络映射方法，包括以下步骤：S1、获取虚拟网络请求：获取车联网环境中的多个虚拟网络请求，包括事件触发流量和时间触发流量；S2、多智能体强化学习映射：利用基于多智能体的柔性演员评论家强化学习算法，对虚拟网络请求进行节点和链路映射，本发明中AME算法在车联网的动态拓扑网络中表现出了较好的性能和适应性，特别是在高动态环境下，通过最大熵探索和注意力机制的结合，有效提高了系统对全局资源的把控能力，提升了对关键信息的处理能力，多智能体能够学习如何在复杂环境中更有效地合作或竞争，优化了整个系统的性能，特别是在处理时间触发流量时，确保了严格的周期性和可调度性。

摘要：P2P流媒体系统中基于关联规则的缓存替换方法，属于P2P流媒体技术领域，主要是根据用户的历史播放记录，推断出用户的兴趣爱好，即用关联规则找出用户进行VCR操作时的规律，事先将热点视频存入超级节点，以提高用户要观看的视频正好存储在缓存中的概率。

摘要：本发明涉及推荐系统中结合专家信任的POI推荐算法，属于推荐算法领域，主要是根据用户的历史签到数据，推断出用户的POI（Point of Interest即兴趣点）。也就是说通过对用户签到信息的挖掘，结合时间的影响，地理位置的影响，来预测用户的POI，以提高用户的使用体验和满足感。

摘要：基于贪心算法的P2P流媒体节点选择方法，属于P2P流媒体技术领域，本发明主要将总体最优转化成多个局部最优问题，对服务节点进行快速选择，综合考虑节点的上、下行带宽，节点在线时长，节点距离以及节点服务的能力，选择能力最大的服务节点，从而降低传输时延并提高服务节点的吞吐量，有效提升系统的整体性能。

摘要：本发明涉及基于复杂网络交汇点的自适应缓存策略，属于内容中心网络领域。本发明分析了内容中心网络((Information Centric Networking，ICN))中缓存内容的放置问题，根据用户请求内容的流行度不同，本发明将用户请求内容的流行度分为整体流行度和局部流行度。并根据流行度的种类不同，提出了在复杂网络中以路径交汇点为主、边缘节点为辅的缓存放置方法。本发明针对不同的拓扑进行了大规模的仿真，仿真结果表明与传统的主流方法相比，本发明的方法能够明显提高网络中的整体缓存命中率、降低时延、降低链路负载以及提高用户体验。

摘要：本发明涉及基于TOPSIS熵权法的轻量级缓存策略，属于内容中心网络领域。本发明分析了内容中心网络中缓存内容的放置问题，使用TOPSIS熵权法对用户请求内容的过程进行建模，并合理的计算出路由节点内流行内容的缓存放置位置。另外，本发明还提出了减少缓存冗余的主动缓存替换策略和基于内容价值的被动缓存替换策略，与传统的LRU替换策略相比提高了缓存利用率。本发明针对真实拓Tiscali‑3257进行了大规模的仿真，仿真结果表明与传统的主流方法相比，本发明能够明显提高网络中的整体缓存命中率、降低时延、降低链路负载以及提高用户体验。

摘要：本发明公开了一种基于网络拓扑分层的精确缓存放置方法，步骤包括：对ICN中原始的兴趣包和数据包的数据包结构进行改造；在ICN网络中的路由器内添加缓存信息记录表；在ICN中原始的边缘路由器内添加请求信息记录表；根据节点在网络拓扑中的静态信息，使用K‑means算法对节点进行分类，并根据分类结果对网络拓扑进行分层；将内容流行度进一步分类；根据命中节点类型，包括服务器节点和非服务器节点，对不同类型的流行内容执行不同的缓存放置策略。本发明详细考虑内容流行度，并以轻量级的方式进行计算，能够在低缓存资源条件下明显提高网络中的整体缓存命中率、降低时延、降低链路负载以及提高用户体验，具有切实可行的实用价值和广泛的应用前景。

摘要：本发明公开了一种基于联邦学习与DQN的缓存节点选择方法，涉及DQN缓存策略技术领域，包括以下步骤：S1、对NDN网络中路由器内的原始CS表结构进行改造；S2、在NDN网络的路由器内增加节点信息表；S3、对NDN网络中原始的兴趣包和数据包的结构进行改造；S4、使用AE模型预测出流行内容，本发明在路由器内对原始CS表结构进行改造，同时引入节点信息记录表，对NDN网络中的兴趣包和数据包结构也进行了改造，以适应新的缓存策略，利用AE模型预测流行内容，结合DQN模型计算最优的缓存位置，并通过联邦学习进一步优化DQN模型，在实际应用中，周期性地执行缓存替换算法，能够明显提高网络中的整体缓存命中率、降低时延、降低链路负载以及提高用户体验。